由于直方图受组距（bin size）影响很大，设置不同的组距可能会产生完全不同的可视化结果。因此我们可以用密度平滑估计来更好地反映数据的真实特征。具体可参见这篇文章： https://blog.csdn.net/unixtch/article/details/78556499 。

还是用我们自己创建的一组符合正态分布的数据来画图。

准备工作：先导入matplotlib，seaborn和numpy，然后创建一个图像和一个坐标轴

import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
fig,ax=plt.subplots()

用seaborn画核密度图: sns.kdeplot(x,shade=True)

让我们在用matplotlib画好的直方图的基础上画核密度图：

import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
fig,ax=plt.subplots()
np.random.seed(4) #设置随机数种子
Gaussian=np.random.normal(0,1,1000) #创建一组平均数为0，标准差为1，总个数为1000的符合标准正态分布的数据
ax.hist(Gaussian,bins=25,histtype="stepfilled",normed=True,alpha=0.6)
sns.kdeplot(Gaussian,shade=True)
plt.show()

图像如下：

注意：导入seaborn包后，绘图风格自动变为seaborn风格。

另外，可以用distplot命令把直方图和KDE一次性画出来。

用seaborn画直方图和核密度图: sns.distplot(x)

代码如下：

import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
np.random.seed(4) #设置随机数种子
Gaussian=np.random.normal(0,1,1000) #创建一组平均数为0，标准差为1，总个数为1000的符合标准正态分布的数据
sns.distplot(Gaussian)

plt.show()

图像和上面基本一致：